北京植被凈初級生產力對物候變化的響應

魏曉帥，高永龍，范雅倩，林 嶺，毛 軍，張德懷，李鑫豪，劉新月，徐銘澤，田 赟，劉 鵬，賈 昕，查天山

北京植被凈初級生產力對物候變化的響應

魏曉帥1,2，高永龍3，范雅倩4，林 嶺3，毛 軍1,2，張德懷5，李鑫豪1,2，劉新月1,2，徐銘澤1,2，田 赟1,2，劉 鵬1,2，賈 昕1,2，查天山1,2※

（1. 北京林業大學水土保持學院，北京 100083；2. 北京林業大學水土保持國家林業局重點實驗室，北京 100083；3. 北京市園林綠化規劃和資源監測中心，北京 100013；4. 北京松山國家級自然保護區管理處，北京 102100；5. 密云區園林綠化局，北京 101599）

植被凈初級生產力（Net Primary Productivity，NPP）對物候的響應是全球氣候變化背景下的重要研究內容，氣候變化對植物物候與NPP的影響仍需明了，物候的時空變異規律更需深入探討。該研究基于2001—2020年MODIS歸一化植被指數（Normalized Difference Vegetation Index，NDVI）數據提取北京植被物候信息，利用CASA（Carnegie-Ames-Stanford-Approach）模型模擬NPP，通過線性回歸、趨勢分析和結構方程模型等方法，闡明NPP與物候時空變化特征，探究氣象因素和物候變化對NPP的影響。結果顯示：1）2001—2020年超過70 %的區域出現生長季開始（Start of Growing Season，SOS）逐漸提前，平均每年提前0.57 d。超過90%的區域生長結束期（End of Growing Season，EOS）逐漸推遲，平均每年推遲0.51 d。2）SOS提前和生長季（Length of Growing Season，LOS）延長均對NPP增長產生顯著影響（0.05）。SOS每提前1 d，NPP增長3.74 g/m2；LOS每延長1 d，NPP增長2.65 g/m2。秋季EOS推遲對NPP變化影響不顯著。3）春季和秋季，氣候通過改變物候（SOS、EOS）對NPP的間接影響大于直接影響，而夏季溫度和降雨對NPP的直接影響更大。該研究表明春季物候變化是NPP年際變異的重要驅動因子，春季物候提前導致NPP年總量增加。研究結果是都市區植被生產力如何響應氣候變化認識的重要補充。

遙感；凈初級生產力；植被物候；氣候變化；NDVI

0 引 言

碳循環是生物圈中基本的生物地球化學過程，其作為陸地生態系統的關鍵過程，已成為生態學及相關學科的研究熱點[1]。氣候變暖會造成植被物候的變化[2-3]，植被物候受氣候因素調節，影響生態系統功能和生物過程，改變相關的生理和生物地球化學過程，對陸地生態系統的碳循環有重要影響[4]。

凈初級生產力（Net Primary Productivity，NPP）是碳循環的主要組成部分[5]，是生態系統固定碳能力和判定生態系統對氣候變化適應性的重要指標[6]。植物生長季開始（Start of Growing Season，SOS）、生長季結束（End of Growing Season，EOS）和生長季長度（Length of Growing Season，LOS）是典型物候期，已經被認為是影響生態系統功能等許多生物過程的關鍵指標[7]。物候對氣候變化非常敏感，全球溫度升高可能會導致物候提前[2,8]，并且植物光合作用在不同季節對氣候變化的響應不同[9]。春季和秋季物候的變化可以不同程度地改變生長季節長度，并影響陸地生物圈與大氣間的碳循環。因此，闡明物候變化對生態系統生產力的影響及其對氣候的反饋，探究物候變化、氣象因素和生產力間的相互關系變得尤為重要。

傳統物候觀測存在觀測成本高、時間序列短、觀測方法不統一等問題。歸一化植被指數（Normalized Difference Vegetation Index，NDVI）可以有效捕捉植被冠層的綠度信息，通過遙感監測數據反演物候信息使長時間大區域植被物候的研究成為了可能，已經廣泛用于植被物候方面的研究[9-10]。季前降水可能增加春季物候開始期的水量需求從而間接影響植被春季生長季開始期的變化[11]，也有研究認為生長季的提前是由全球氣候變暖導致的[2-3,12]，氣候變化背景下，人們普遍認為會出現植被生長季開始時間提前和結束時間推遲，從而增加生長季的長度，因此初級生產力的增加是因為有更多的時間用于碳同化和生物量增長[13]。但也有研究發現，早春可能會增加蒸騰速率，導致夏季和秋季水分脅迫，降低生產力[14-15]；并且生長季的延長可能會增加秋季生態系統的呼吸作用時間，導致碳收益被抵消[8,16]，因此雖然秋季變暖傾向于延長生態系統的生長季節，但季末呼吸損失了早春的固碳量，升溫和早春也可能通過間接或滯后效應影響生長季節后期的生態系統功能[17]。然而，物候和氣候因素對NPP的相對重要性仍然沒有得到有效的解答。

由于生態系統的復雜性，物候和氣候因素對凈初級生產力的影響仍然存在著很大的不確定性，生長季延長對年際NPP的影響仍不明確。在生態系統中，NPP受到植被物候、降水及溫度等環境因素的共同影響，氣象和物候指標（SOS、EOS）在NPP年際變化中的貢獻度并沒有得到有效量化。在氣候變化和城市熱島效應的影響下城市植被更容易受到環境變化的影響，對氣候敏感性更高[18]。在氣溫上升和氣候變化加劇的背景下，了解NPP與物候之間的關系有助于改善人們對城市區域植被碳匯的預測。北京作為中國首都，并且擁有豐富的森林資源，在氣候變化和實現“碳中和”背景下已經受到了國際和社會各界的廣泛關注[19]。為了解決以上存在的問題，本研究以北京為研究區域，探討物候變化在NPP時空變化中的作用及其潛在驅動力，闡明NPP和物候（SOS、EOS和LOS）的時空變化特征，探究物候及NPP的相關性并且量化物候和氣象因素對NPP的影響。

1 材料與方法

1.1 研究區域

研究區位于中國北京，其氣候屬于溫帶半濕潤大陸性季風氣候，具有明顯的季節分異性，對于植被物候相關方面的研究有很強的代表性。范圍39°26′N～41°03′N，115°25′E～117°29′E，位于華北平原北部，毗鄰渤海灣。北京平原海拔20～60 m，山地海拔1000～2000 m。北京森林資源豐富，森林面積58.81萬hm2（其中有林地面積58.73萬hm2），森林覆蓋率35.84%。年平均氣溫為9.7°C，年降水量為424.2 mm。降水的季節分布極不均勻，年降水量的80 %集中在夏季的6—8月。主要喬木類型為暖溫帶落葉闊葉林和暖溫帶針葉林。有栓皮櫟（）、油松（）、側柏（）、櫟類（）和樺木科（）等，山頂1 800～2 000 m以上生長雜草草甸。

為了排除土地利用和人為因素的干擾，本研究利用GlobeLand30數據集對北京2000年、2010年和2020年土地利用情況進行分析，由于耕地、水體、人造地表和裸地受人為干擾影響嚴重，所以只針對林地、草地、和灌木地進行研究，并選擇從2000—2020年土地利用未變化的地區進行研究（圖1）。

1.2 數據來源

1.2.1 MODIS NDVI 數據

本研究選取NASA 提供的MODIS MOD13A1數據集進行植被相關信息提取（https://ladsweb.modaps. eosdis.nasa.gov/search/），空間分辨率為500 m，采集時間范圍為2001—2020年，時間分辨率為16 d。MOD13A1數據充分考慮了高覆蓋度、低視角、云影、氣溶膠等因素的影響，被廣泛應用于不同尺度植被的動態監測和研究，為了剔除裸土和水體對NDVI的影響，研究只考慮全年NDVI均值大于0.1、最大NDVI大于0.15的柵格[19-20]。

1.2.2 氣象和土地利用數據

氣象數據來自中國氣象數據網（http://dataxma.cn/），為了保證空間插值結果更加精確本研究選取了北京及其周邊19個氣象站點，獲取了2001—2020年月平均氣溫、月降水量和日照時數，由于太陽輻射（Solar Radiation，SOL）監測站較少，為了獲得更精確的地表輻射，采用緯度和日照時數的經驗公式，得到最終的太陽輻射[21]。利用ArcMap軟件采用克里金（Kriging）方法進行空間插值，分辨率為500 m。對插值結果進行投影變換，切割提取研究區域，形成柵格數據集。為了保證氣象數據的可用性，本研究同時獲取了中國青藏高原科學數據中心（Tibet Plateau Scientific Data Center，TPDC）2001—2020年空間分辨率為1 000 m的月氣溫、月降水量和輻射數據集。土地利用數據采用中國開發的30 m空間分辨率全球土地覆蓋數據GlobeLand30數據集，經過重采樣到500 m分辨率。

圖1 研究區地理位置和土地利用圖

1.3 研究方法

1.3.1 物候提取

MODIS NDVI數據集經過去噪聲和最大合成處理后仍然存在一些噪聲。這還包括在某些情況下存在的云污染。為了消除云、雪、冰污染造成的誤差，進一步將Savitzky-Golay[22]濾波程序應用于每個年度NDVI周期，對NDVI時間序列進行平滑重構。動態閾值法對物候提取具有很大的靈活性和適用性[16]。本文通過Timesat軟件，基于MODIS NDVI數據提取植被物候信息。根據前人關于北京地區物候觀測數據和動態閾值設定，分別選用40%作為SOS閾值，45%作為EOS閾值，滑動窗口設置為5[23]。即NDVI曲線上升階段，NDVI最大值與最小值差值的40%對應的時期定義為植被 SOS，NDVI曲線下降階段，NDVI最大值與最小值差值的45%對應的時期定義為植被EOS。

1.3.2 基于CASA模型的NPP估算

利用基于光能利用率理論的CASA（Carnegie-Ames-Stanford-Approach）模型逐像元計算北京2001—2020年每月NPP，該模型適用于區域尺度的遙感研究，在目前國際上計算NPP研究中被廣泛應用[24-25]。該模型是由吸收的光合有效輻射（Absorbed Photosynthetically Active Radiation，APAR，MJ/m2）和光利用效率（g/MJ）確定，本研究最大光能利用效率設置為0.389 g/MJ，具體見文獻[17]。為了驗證該模型的模擬精度，本研究獲取了2001—2018年基于EC-LUE（Eddy Covariance-Light Use Efficiency）模型，得到的全球地表衛星（Global Land Surface Satellite，GLASS）NPP（http://www.glass.umd.edu/Download.html）產品。該產品空間分辨率為500 m，時間分辨率為8 d，經累加計算得到月尺度NPP，并采用線性回歸利用GLASS數據集NPP對CASA模型模擬NPP結果進行評價。

1.3.3 趨勢分析

使用非參數Theil-Sen和Mann-Kendall趨勢分析方法對NPP和物候指標（SOS、PPT和EOS）的年際趨勢和顯著性進行分析，這種趨勢分析方法可以減少數據異常值的影響，被認為是一種可靠的非參數統計趨勢計算方法[26-27]，逐像元計算NPP、SOS、LOS和EOS的趨勢坡度，即年際變化率，這種非參數方法不需要數據序列的正態性，廣泛應用于氣候數據和植被數據的趨勢分析。

1.3.4 氣候、物候和NPP相關性分析

通過線性回歸分析和逐像元的相關性分析，探討NPP與氣象因子和物候因子的關系。為了更深入地了解物候因素、氣象因素對NPP直接、間接影響和貢獻程度，利用AMOS（Analysis of Moment Structure）軟件，采用標準化的結構方程模型（Strcture Equation Modeling，SEM）對其進行分析。SEM是一種建立估計和檢驗因果關系的模型，也是基于變量的協方差矩陣來分析變量之間關系的一種統計方法[28]，其通過標準化路徑系數量化各解釋變量的相對貢獻。本研究中結構方程建立之初包括所有可能的關系，通過設定模型、模型檢驗和模型修正，逐步刪除相關性較小的關系，直到所有關系都具有較高的相關性，并且模型擬合參數最優。以下指標滿足范圍則認為模型可行：卡方自由度比<3；>0.05（>0.05說明數據不拒絕模型結構）；擬合優度指數（Goodness of Fit Index，GFI）和標準化擬合指數（Normalized Fitting Index，NFI）越接近于1模型結構越好。

2 結果與分析

2.1 凈初級生產力和氣象插值結果評估

分別在CASA模型擬合的年NPP和GLASS數據集年NPP中隨機抽取100個像元，共獲得1800（18×100）個樣本，結果表現出較好的擬合效果（2=0.57，<0.001），并且研究區域月值NPP擬合中兩組數據具有較好的擬合效果（2=0.94，0.001）（圖2）。中國青藏高原科學數據中心（Tibet Plateau Scientific Data Center，TPDC）氣象數據集與克里金（kriging）插值氣象數據進行線性擬合，結果顯示年平均溫度（2=0.82，0.001）、年降雨量（2=0.73，0.001）和年總輻射（2=0.69，0.001）在兩個數據集的擬合中效果良好（圖3）。

注：圖2a中數據點代表研究區的月NPP，圖2b中數據點為隨機抽取100個像元中每個像元的年NPP。

注：TPDC為中國青藏高原科學數據中心氣象數據集。

2.2 植被物候與凈初級生產力的時空變化

北京植被2001—2020年NPP、SOS、EOS和LOS的年平均空間分異特征分別如圖4。年平均NPP為507.99 g/m2，數值范圍在370～570 g/m2之間，80%以上的區域在490～570 g/m2之間，北京北部區域多年平均NPP大于北京南部區域（圖4a）。SOS年平均為第109天，主要在第97～125天內（圖4b）；EOS年平均為第286天，在第276～304天內（圖4c）；LOS年平均為176 d，有超過90%的區域在159～193 d（圖4d）；

研究區超過99 %的像元NPP逐漸增大，趨勢顯著的像元頻率為41.6%（圖5a）；超過74%的像元SOS逐漸提前，趨勢顯著的像元頻率為33.4%（圖5b）；超過93%的區域EOS逐漸推遲，趨勢顯著的像元頻率為23.2%（圖 5c）；超過99%的區域內LOS有延長，趨勢顯著的像元頻率為55.9%（圖5d）。NPP在2001—2020年間顯著增大（0.05）（圖6a），平均每年增長2.98 g/(m2·a)；SOS顯著提前（0.05）（圖6b），平均每年提前0.57 d；EOS顯著推遲（0.05）（圖6c），平均每年推遲0.51 d；LOS在20年間顯著延長（0.05）（圖6d），平均每年延長1.05 d。

a. 凈初級生產力a. Net Primary Productivity(NPP)b. 生長季開始b. Start of growing season (SOS)c. 生長季結束c. End of growing season (EOS)d. 生長期長度d. Length of growing season (LOS)

a. NPPb. SOSc. EOSd. LOS

注：橫坐標中0、5、10、15、20分別對應2000、2005、2010、2015、2020年。

2.3 物候因素與NPP的相關性

2001—2020年平均物候指標（SOS為第110天，EOS為第282天）為對照與每年物候指標相減，負值代表提前，正值代表推遲。SOS與NPP呈現顯著負相關（2=0.61，0.05），SOS每提前一天，NPP增大3.74 g/(m2·a)（圖 7a），但EOS與NPP關系不顯著（2=0.16，=0.08）（圖7b）。LOS與NPP顯著正相關（2=0.45，<0.05），LOS每延長一天，NPP增長2.65 g/(m2·a)（圖7c）。

在空間上（圖8），79.77%的區域SOS與NPP年際變化呈現顯著負相關（0.05），75.82%的區域LOS與NPP年際變化呈現顯著正相關（0.05），但只有23.81%的區域EOS與NPP年際變化呈現顯著正相關（0.05）。

注：負值代表提前，正值代表推遲。下同。

a. NPP-SOS b. NPP-EOSc. NPP-LOS

SOS與春季NPP為極顯著負相關（2=0.61，0.001）（圖9a），與夏季NPP沒有顯著的相關性（2=0.04，=0.42）（圖9b），表明SOS提前并不會對夏季的NPP產生顯著影響；EOS與秋季NPP為顯著正相關（2=0.37，0.05）（圖9d）。

在空間上（圖10），94.37%的區域SOS與春季NPP年際變化呈現顯著負相關（0.05）。SOS與夏季和秋季NPP在空間上分別有13.69%和6.76%的區域呈現顯著負相關性，分別有64.5%和63.4%的區域呈現負相關但不顯著。EOS與秋季NPP年際變化68.01%的區域呈現顯著正相關（0.05）。

a. 春季NPP-SOSa. Spring NPP-SOSb. 夏季NPP-SOSb. Summer NPP-SOSc. 秋季NPP-SOSc. Autumn NPP-SOSd. 秋季NPP-EOSd. Autumn NPP-EOS

a. 春季NPP-SOSa. Spring NPP-SOSb. 夏季NPP-SOSb. Summer NPP-SOSc. 秋季NPP-SOSc. Autumn NPP-SOSd. 秋季NPP-EOSd. Autumn NPP-EOS

2.4 物候和氣象因素對NPP的耦合影響

在年尺度上（圖11a）SEM擬合參數卡方自由度比=1，=0.466，GFI=0.991，NFI=0.986；季節尺度上（圖11b）SEM擬合參數卡方自由度比=0.94，=0.526，GFI=0.856，NFI=0.773。年總降雨量和年平均溫度對SOS影響顯著（0.05），SOS對年NPP影響顯著（0.05）。年總降雨量對EOS影響極顯著（0.001），但EOS對年NPP影響不顯著（>0.05）。年總降雨量和年均溫通過物候對NPP的間接影響，大于對NPP的直接影響。年均溫和年降雨量通過SOS對NPP的間接影響遠大于通過EOS對NPP的間接影響，說明增溫和降雨主要作用于SOS提前，進而導致年NPP增加。春季平均溫度通過SOS對NPP的間接影響（0.46）大于春季和夏季平均溫度對NPP的直接影響（-0.37）。雖然春季總降雨量、夏季總降雨量和秋季總降雨量均對EOS產生顯著影響，但是EOS對NPP影響不顯著。

注：線上的數值為標準化通徑系數，箭頭粗細表示標準化系數的大小，實線表示關系顯著（P <0.05），虛線表示不顯著，星號***和**顯著性水平分別為 0.001和0.05。R2表示有關變量的共同解釋度。

3 討 論

3.1 物候和NPP的相關性分析

研究區超過99%的區域生長季長度逐漸延長，在其他地區物候的相關研究中，生長季長度有出現縮短[29]、延長[30]，但都表現為SOS提前。SOS趨勢顯著的像元頻率高于EOS，前人研究也發現SOS受到冷積溫和熱積溫的雙重影響變異性強于EOS[31]。NPP年際變化的原因受到植物自身生理特性和環境因素等的影響，其中氣候變化和物候因素是NPP逐年增長的重要原因[32]。有研究發現生長季的延長并不一定會增加生態系統的碳吸收，但會因為水分脅迫等因素對植被固碳產生影響[16]。早春可能會增加蒸騰速率，導致夏季土壤水分減少，進而導致生產力降低[33]，但也有研究發現，生產力的抑制作用發生在秋季，而不是夏季[34]，其可能的原因是由于早春水分耗散，增強了秋季水分脅迫，或者由于秋季變暖延長生態系統的生長季長度，由此造成季末呼吸損失了早春的固碳量[7]。在本研究中，SOS、LOS與NPP相關性更強（0.05），并且逐像元分析結果也發現，北京植被超過75%的區域SOS、LOS與NPP顯著相關（圖7、8），因此推測年際NPP增長的主要物候原因在于SOS的提前。SOS與春季NPP極顯著負相關（圖9a），EOS與秋季NPP之間顯著正相關（圖9d），說明NPP會因為春季物候提前和秋季物候延遲均會增長，而不會由于水分可用性的減小而降低，可能是由于北京屬于溫帶季風氣候區，明顯的特點是夏季高溫多雨，因此夏季水分脅迫對NPP的作用較小，春季NPP增長消耗的水分不會對夏季和秋季NPP產生影響。因此基于北京充沛的夏季降雨，SOS提前和EOS推遲會增加植被固碳的時間，導致年際NPP增長。

3.2 物候和氣候因素對NPP的耦合影響

降水與NPP呈顯著正相關，是由于降水增加了土壤水分，滿足了植被生長和生產力提高的水分需求，尤其是春末和夏季[11]。溫度通過多個途徑影響物候和植被生長[34]，春季氣溫對NPP具有直接的正相關關系。春季氣溫升高，使種子的有效積溫提前進而導致葉片萌發和展開提前[22]，植被在全年固碳的時間增長，因此，春季溫度也會通過改變物候因素間接對NPP產生影響，在本研究中，春季溫度通過物候對NPP的間接影響遠遠大于直接影響（圖11b）。秋季降雨對EOS有顯著影響，EOS對NPP的影響不顯著，但秋季降雨對NPP的直接影響遠小于通過物候的間接影響（圖11b），因此相對于氣候因素對NPP的直接影響來說，其通過秋季物候對NPP的間接影響更大。綜上，在春季和秋季，氣候通過物候（SOS、EOS）對NPP的間接影響大于直接影響。這在之前的研究中也有相似的發現，氣候通過物候對生態系統碳循環的間接影響會比直接影響更大[35]。夏季氣溫升高導致植物蒸發加速缺水，會直接影響植被生長[33]，本研究發現夏季溫度對NPP具有顯著負相關影響（圖 11b），并且物候因素對其的影響很小（圖11a），因此夏季氣象因素對NPP的直接影響大于通過物候的間接影響。氣候變暖對NPP的影響受到物候和環境因素的共同調控，其通過改變光合作用和生物過程直接和間接的影響生態系統碳平衡[36]，在不同的環境中，早春生長可能對隨后的每個季節的生態系統生產力產生混合影響[14]。春季物候通過直接和間接調節季節碳動態的地位不容忽視，氣候對年際NPP的影響有很大一部分是通過物候間接調控的[37]，對于NPP的模擬研究中物候對其產生的影響應得到重視。

4 結 論

北京植被生長季開始（Start of Growing Season，SOS）在2001—2020年間顯著提前，平均每年提前0.57 d；生長季結束（End of Growing Season，EOS）顯著推遲，平均每年推遲0.51 d。北京植被凈初級生產力（Net Primary Productivity，NPP）在2001—2020年逐年增長，多年平均值在空間上北部區域大于南部區域。對于北京地區而言，生長期提前會增加植被碳固存的時間，導致NPP年總量增加，而不會產生負向影響。春季物候在調節NPP年際變化中占據重要地位，并且NPP年總量由物候引起的增長主要原因在于SOS提前。本研究為研究全球變暖條件下植被物候變化對NPP的影響提供了重要信息，有助于進一步認識植被NPP對氣候變化的響應。

[1] Wang K, Wang X H, Piao S L, et al. Unusual characteristics of the carbon cycle during the 2015-2016 El Nino[J]. Global Change Biology, 2021, 27 (16): 3798-3809.

[2] Wang L Q, Hans J D B, Chen L X, et al. Urban warming increases the temperature sensitivity of spring vegetation phenology at 292 cities across China[J]. Science of the Total Environment, 2022, 834: 155154.

[3] Li M H, Wang X Y, Chen J C. Assessment of grassland ecosystem services and analysis on its driving factors: A case study in Hulunbuir Grassland[J]. Frontiers in Ecology Evolution, 2022, 10: 841943.

[4] Frank D, Reichstein M, Bahn M, et al. Effects of climate extremes on the terrestrial carbon cycle: Concepts processes and potential future impacts[J]. Global Change Biology, 2015, 21: 2861-2880.

[5] 尹小君，祝宏輝，Gao Gerry，等. 氣候變化和人類活動對天山北坡凈初級生產力變化的影響[J]. 農業工程學報，2020，36(20)：195-202.

Yin Xiaojun, Zhu Honghui, Gao Jerry, et al. Effects of climate change and human activities on net primary productivity in the Northern Slope of Tianshan, Xinjiang, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 195-202. (in Chinese with English abstract)

[6] 徐勇，鄭志威，戴強玉，等. 顧及時滯效應的西南地區植被 NPP 變化歸因分析[J]. 農業工程學報，2022，38(9)：297-305.

Xu Yong, Zheng Zhiwei, Dai Qiangyu, et al. Attribution analysis of vegetation NPP variation in Southwest China considering time-lag effects[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 297-305. (in Chinese with English abstract)

[7] Richardson A D, Anderson R S, Arain M A, et al. Terrestrial biosphere models need better representation of vegetation phenology: results from the North American Carbon Program Site Synthesis[J]. Global Biogeochemical Cycles, 2012, 18 (2): 566-584.

[8] Liu Q, Piao S, Janssens I A, et al. Extension of the growing season increases vegetation expo‐sure to frost[J]. Nature Communications, 2018, 21(6), 2366-2378.

[9] Piao S L, Liu Q, Chen A, et al. Plant phenology and global climate change: Current progresses and challenges[J]. Global Change Biology, 2019, 25 (6): 1922-1940.

[10] Piao S, Fang J, Zhou L, et al. Variations in satellite-derived phenology in China's temperate yegetation[J]. Global Change Biology, 2006, 12: 672-685.

[11] Yang J, Zhang X C, Luo Z H, et al. Nonlinear variations of net primary productivity and its relationship with climate and vegetation phenology[J]. China. Forests, 2017, 8 (10): 361.

[12] Shen M, Piao S, Cong N, et al. Precipitation impacts on vegetation spring phenology on the Tibetan Plateau[J]. Global Change Biology, 2015, 21 (10): 3647-3656.

[13] Buermann W, Forkel M, O’Sullivan M, et al. Widespread seasonal compensation effects of spring warming on northern plant productivity[J]. Nature, 2018, 562: 110-114.

[14] Yu Z, Lu C, Cao P, et al. Earlier leaf-flushing suppressed ecosystem productivity by draining soil water in the Mongolian Plateau[J]. Agricultural and Forest Meteorology, 2018, 250: 1-8.

[15] Zhou X, Geng X, Yin G, et al. Legacy effect of spring phenology on vegetation growth in temperate China[J]. Agricultural and Forest Meteorology, 2020, 281: 107845.

[16] Richardson A D, Black T A, Ciais P, et al. Influence of spring and autumn phenological transitions on forest ecosystem productivity[J]. Philosophical Transactions of the Royal Society B-biological Sciences, 2010, 365: 3227-3246.

[17] 朱文泉，潘耀忠，張錦水. 中國陸地植被凈初級生產力遙感估算[J]. 植物生態學報，2007，31(3)：413-424.

Zhu Wenquan, Pan Yaozhong, Zhang Jinshui. Estimation of net primary productivity of chinese terrestrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413-424. (in Chinese with English abstract)

[18] 李虹，馮仲科，唐秀美，等. 區位因素對綠地降低熱島效應的影響[J]. 農業工程學報，2016，32(2)：316-322.

Li Hong, Feng Zhongke, Tang Xiumei, et al. Effect of green space location factors on reducing urban heat island effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 316-322. (in Chinese with English abstract)

[19] 方精云. 碳中和的生態學透視[J]. 植物生態學報，2021，45: 1173-1176.

Fang Jinyun. Ecological perspective of carbon neutralization[J]. Chinese Journal of Plant Ecology, 2021, 45: 1173-1176. (in Chinese with English abstract)

[20] 李艷，張成才，羅蔚然，等. 基于改進最大值法合成 NDVI 的夏玉米物候期遙感監測[J]. 農業工程學報，2019，35(14): 159-165.

Li Yan, Zhang Chengcai, Luo Weiran, et al. Summer maize phenology monitoring based on normalized difference vegetation index reconstructed with improved maximum value composite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(14): 159-165. (in Chinese with English abstract)

[21] 李貴才. 基于MODIS數據和光能利用率模型的中國陸地凈初級生產力估算研究[D]. 北京：中國科學院研究生院，2004.

Li Guicai. Estimation of Chinese Terrestiral Net Pirmary Production Using LUE Model and MODIS data[D]. Beijing: The Graduate School of the Chinese Academy of Sciences. 2004. (in Chinese with English abstract)

[22] Chen J, Jonsson P, Tamura M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J]. Remote Sensing of Environment, 2004, 91 (3): 332-344.

[23] 徐珂. 基于 MODIS 影像的北京地區生長季及其影響因子研究[D]. 北京：北京林業大學，2012: 1-55.

Xu Ke. Study on Growing Season and Its Influencing Factors in Beijing based on MODIS Images[D]. Beijing: Beijing Forestry University, 2012: 1-55. (in Chinese with English abstract)

[24] 劉真真，張喜旺，陳云生，等. 基于 CASA 模型的區域冬小麥生物量遙感估算[J]. 農業工程學報，2017，33(4)：225-233.

Liu Zhenzhen, Zhang Xiwang, Chen Yunsheng, et al. Remote sensing estimation of biomass in winter wheat based on CASA model at region scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(4): 225-233. (in Chinese with English abstract)

[25] Potter C S, Randerson J T, Field C B, et al. Terrestrial ecosystem production: A process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

[26] Theil H. A rank-invariant method of linear and polynomial regression analysis[J]. Springer Netherlands, 1950, 53: 386-392.

[27] Sen PK. Estimates of the regression coefficient based on Kendall’s Tau[J]. Journal of the American Statistical Association, 1968, 63(324): 1379-1389.

[28] 喬英，馬英杰，辛明亮. 基于改進S-W與結構方程模型的干旱區棗園蒸散特征分析[J]. 農業機械學報，2021，52(8)：307-317.

Qiao Ying, Ma Yingjie, Xin Mingliang. Analysis of evapotranspiration characteristics of ziziphus jujuba Mill. Orchards in arid areas based on improved S-W and structural equation model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(8): 307-317. (in Chinese with English abstract)

[29] Bao G, Chen J, Chopping M, et al. Dynamics of net primary productivity on the Mongolian Plateau: Joint regulations of phenology and drought[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 81: 85-97.

[30] Wang X F, Xiao J F, Li X, et al. No trends in spring and autumn phenology during the global warming hiatus[J]. Nature Communications, 2019, 10: 2389.

[31] Wu L Z, Ma X F, Dou X, et al. Impacts of climate change on vegetation phenology and net primary productivity in arid Central Asia[J]. Science of the Total Environment, 2021, 796: 149055.

[32] Duveneck M J, Thompson J R. Climate change imposesphenological trade-offs on forest netprimary productivity[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122: 2298-2313.

[33] Xu H J, Wang X P, Yang T B. Trend shifts in satellite-derived vegetation growth in central eurasia, 1982-2013[J]. Science of the Total Environment, 2017, 579: 1658-1674.

[34] Shi P, Chen Z, Reddy G V P, et al. Timing of cherry tree blooming: Contrasting effects of rising winter low temperatures and early spring temperatures[J]. Agricultural and Forest Meteorology, 2017, 240: 78-89.

[35] Shao J, Zhou X, Luo Y, et al. Biotic and climatic controls on interannual variability in carbon fluxes across terrestrial ecosystems[J]. Agricultural and Forest Meteorology, 2015, 205: 11-22.

[36] Niu S, Fu Z, Luo Y, et al. Interannual variability of ecosystem carbon exchange: From observation to prediction[J]. Global Change Biology, 2017, 26: 1225-1237.

[37] Wu C, Hou X, Peng D, et al.Land surface phenology of china’s temperate ecosystems over 1999-2013: Spatial-temporal patterns, interaction effects, covariation with climate and implications for productivity[J]. Agricultural and Forest Meteorology, 2016, 216: 177-187.

Responses of the net primary productivity of vegetation to phenological changes in Beijing of China

Wei Xiaoshuai1,2, Gao Yonglong3, Fan Yaqian4, Lin Ling3, Mao Jun1,2, Zhang Dehuai5, Li Xinhao1,2, Liu Xinyue1,2, Xu Mingze1,2, Tian Yun1,2, Liu Peng1,2Jia Xin1,2, Zha Tianshan1,2※

(1.,,100083,;2.,,100083,;3.,100013,;4.,102100,; 5.,101599,)

Net Primary Productivity (NPP) of vegetation is considered one of the main indicators for the carbon fixation capacity of ecosystems in the carbon cycle, particularly for the adaptability of ecosystems to climate change. Among them, the typical phenological factors are the key components of the ecosystem functions in many biological processes, including the Start of the Growing Season (SOS), End of the Growing Season (EOS), and Length of the Growing Season (LOS). However, it is still lacking in the relative importance of phenological and climatic factors to the NPP. The contribution of phenological factors (SOS, EOS, and LOS) to the interannual change of NPP has not been well quantified, due to the complex ecosystem. Therefore, this study aims to extract the phenological information of vegetation using a Cardiovascular-Ames-Stanford Approach (CASA) model, in order to examine the characteristics of spatial and temporal changes of NPP. The Normalized Vegetation Index (NDVI) was used from the MODIS data in Beijing from 2001 to 2020. The interaction between meteorological factors, phenological changes, and NPP was then explored using linear regression, trend analysis, and structural equation modeling. The results show that the SOS was gradually advanced by 0.57 each year on average from 2001 to 2020 over more than 70% of the regions, whereas, the EOS was gradually postponed by an average of 0.51 days per year over more than 90% of the regions. The NPP vegetation increased significantly from 2001 to 2020 (< 0.05), where the growth rate was greater in the last 10 years than that in the first 10 years. The average annual NPP value was greater in the northern region than that in the southern. There was a strong correlation between the phenological factors (SOS, and LOS) and NPP (<0.05). The pixel-by-pixel analysis also found that the SOS, LOS, and NPP were significantly correlated in the areas with more than 75% vegetation coverage. The NPP was also significantly affected by the advance of SOS and extension of LOS (<0.05). The NPP increased by 3.74 g/m2for every single day advance of SOS, while by 2.65 g/m2for every single day extension of LOS. There was no significant effect of the EOS delay in autumn on the NPP. A coupling effect of phenology and climatic factors varied with the season. There was a greater indirect effect of climate through changing phenology (SOS and EOS) on the NPP in spring and autumn, compared with the direct. By contrast, the NPP was more directly affected by climatic factors, temperature, and rainfall in summer. In conclusion, the spring phenological change was an important driving factor for the interannual variation in the NPP. Furthermore, the annual NPP increased to the phenological advance. The findings can also provide an important supplement to determine the vegetation productivity response to the climate change in urban areas.

remote sensing; net primary productivity; vegetation phenology; climate change; NDVI

10.11975/j.issn.1002-6819.2022.18.018

S7

A

1002-6819(2022)-18-0167-09

魏曉帥，高永龍，范雅倩，等. 北京植被凈初級生產力對物候變化的響應[J]. 農業工程學報，2022，38(18)：167-175.doi：10.11975/j.issn.1002-6819.2022.18.018 http://www.tcsae.org

Wei Xiaoshuai, Gao Yonglong, Fan Yaqian, et al. Responses of the net primary productivity of vegetation to phenological changes in Beijing of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 167-175. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.018 http://www.tcsae.org

2022-06-08

2022-09-12

國家重點研發計劃項目（2020YFA0608100）

魏曉帥，博士生，研究方向為生態學遙感。Email：weixiaoshuai@bjfu.edu.cn

查天山，教授，博士生導師。研究方向為干旱半干旱生態系統碳水循環、植物生理生態。Email：tianshanzha@bjfu.edu.cn